Statistical experiment design and analytics are at the heart of data science. In this course you will design statistical experiments and analyze the results using modern methods. You will also explore the common pitfalls in interpreting statistical arguments, especially those associated with big data. Collectively, this course will help you internalize a core set of practical and effective machine learning methods and concepts, and apply them to solve some real world problems.
Learning Goals: After completing this course, you will be able to:
1. Design effective experiments and analyze the results
2. Use resampling methods to make clear and bulletproof statistical arguments without invoking esoteric notation
3. Explain and apply a core set of classification methods of increasing complexity (rules, trees, random forests), and associated optimization methods (gradient descent and variants)
4. Explain and apply a set of unsupervised learning concepts and methods
5. Describe the common idioms of large-scale graph analytics, including structural query, traversals and recursive queries, PageRank, and community detection
Dieser Kurs ist Teil der Spezialisierung Spezialisierung Data Science at Scale
Practical Predictive Analytics: Models and Methods
4.1
(287 ratings)
29,498 bereits angemeldet!
von
Über diesen Kurs
6,962
6,962Kompetenzen, die Sie erwerben
Random ForestPredictive AnalyticsMachine LearningR Programming
Lehrplan - Was Sie in diesem Kurs lernen werden
Woche
12 Stunden zum Abschließen
Practical Statistical Inference
Learn the basics of statistical inference, comparing classical methods with resampling methods that allow you to use a simple program to make a rigorous statistical argument. Motivate your study with current topics at the foundations of science: publication bias and reproducibility.
28 Videos (Gesamt 121 min)
28 Videos
Hypothesis Testing5m
Significance Tests and P-Values3m
Example: Difference of Means4m
Deriving the Sampling Distribution6m
Shuffle Test for Significance4m
Comparing Classical and Resampling Methods3m
Bootstrap6m
Resampling Caveats6m
Outliers and Rank Transformation3m
Example: Chi-Squared Test3m
Bad Science Revisited: Publication Bias4m
Effect Size4m
Meta-analysis5m
Fraud and Benford's Law4m
Intuition for Benford's Law2m
Benford's Law Explained Visually3m
Multiple Hypothesis Testing: Bonferroni and Sidak Corrections3m
Multiple Hypothesis Testing: False Discovery Rate4m
Multiple Hypothesis Testing: Benjamini-Hochberg Procedure3m
Big Data and Spurious Correlations4m
Spurious Correlations: Stock Price Example3m
How is Big Data Different?3m
Bayesian vs. Frequentist4m
Motivation for Bayesian Approaches3m
Bayes' Theorem2m
Applying Bayes' Theorem4m
Naive Bayes: Spam Filtering4m
Woche
22 Stunden zum Abschließen
Supervised Learning
Follow a tour through the important methods, algorithms, and techniques in machine learning. You will learn how these methods build upon each other and can be combined into practical algorithms that perform well on a variety of tasks. Learn how to evaluate machine learning methods and the pitfalls to avoid.
26 Videos (Gesamt 111 min), 1 Lektüre, 1 Quiz
26 Videos
Simple Examples3m
Structure of a Machine Learning Problem5m
Classification with Simple Rules5m
Learning Rules4m
Rules: Sequential Covering3m
Rules Recap2m
From Rules to Trees2m
Entropy4m
Measuring Entropy4m
Using Information Gain to Build Trees6m
Building Trees: ID3 Algorithm2m
Building Trees: C.45 Algorithm4m
Rules and Trees Recap3m
Overfitting7m
Evaluation: Leave One Out Cross Validation5m
Evaluation: Accuracy and ROC Curves5m
Bootstrap Revisited4m
Ensembles, Bagging, Boosting4m
Boosting Walkthrough5m
Random Forests3m
Random Forests: Variable Importance5m
Summary: Trees and Forests2m
Nearest Neighbor4m
Nearest Neighbor: Similarity Functions4m
Nearest Neighbor: Curse of Dimensionality3m
1 Lektüre
R Assignment: Classification of Ocean Microbes10m
1 praktische Übung
R Assignment: Classification of Ocean Microbes28m
Woche
31 Stunde zum Abschließen
Optimization
You will learn how to optimize a cost function using gradient descent, including popular variants that use randomization and parallelization to improve performance. You will gain an intuition for popular methods used in practice and see how similar they are fundamentally.
11 Videos (Gesamt 41 min)
11 Videos
Gradient Descent Visually4m
Gradient Descent in Detail2m
Gradient Descent: Questions to Consider3m
Intuition for Logistic Regression4m
Intuition for Support Vector Machines3m
Support Vector Machine Example3m
Intuition for Regularization3m
Intuition for LASSO and Ridge Regression3m
Stochastic and Batched Gradient Descent5m
Parallelizing Gradient Descent3m
Woche
42 Stunden zum Abschließen
Unsupervised Learning
A brief tour of selected unsupervised learning methods and an opportunity to apply techniques in practice on a real world problem.
4 Videos (Gesamt 21 min), 1 Quiz
4 Videos
K-means5m
DBSCAN4m
DBSCAN Variable Density and Parallel Algorithms4m
25%
nahm einen neuen Beruf nach Abschluss dieser Kurse auf
20%
ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs
Top-Bewertungen
Fantastic course! Excellent conceptual teaching for people who already know the subject but need some more clarity on how to approach statistical tests and machine learning.
I enjoy this course. The delivery and the course topics were very interesting. I learnt a lot and peer reviewing other people assignments is a great learning opportunity .
Dozent
Bill Howe
Director of ResearchScalable Data Analytics
Über University of Washington
Founded in 1861, the University of Washington is one of the oldest state-supported institutions of higher education on the West Coast and is one of the preeminent research universities in the world.
Über die Spezialisierung Data Science at Scale
Learn scalable data management, evaluate big data technologies, and design effective visualizations.
This Specialization covers intermediate topics in data science. You will gain hands-on experience with scalable SQL and NoSQL data management solutions, data mining algorithms, and practical statistical and machine learning concepts. You will also learn to visualize data and communicate results, and you’ll explore legal and ethical issues that arise in working with big data. In the final Capstone Project, developed in partnership with the digital internship platform Coursolve, you’ll apply your new skills to a real-world data science project.
Häufig gestellte Fragen
Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Sobald Sie sich für ein Zertifikat angemeldet haben, haben Sie Zugriff auf alle Videos, Quizspiele und Programmieraufgaben (falls zutreffend). Aufgaben, die von anderen Kursteilnehmern bewertet werden, können erst dann eingereicht und überprüft werden, wenn Ihr Unterricht begonnen hat. Wenn Sie sich den Kurs anschauen möchten, ohne ihn zu kaufen, können Sie womöglich auf bestimmte Aufgaben nicht zugreifen.
Was bekomme ich, wenn ich diese Spezialisierung abonniere?
Wenn Sie sich für den Kurs anmelden, erhalten Sie Zugriff auf alle Kurse der Spezialisierung und Sie erhalten nach Abschluss aller Arbeiten ein Zertifikat. Ihr elektronisches Zertifikat wird zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn Profil hinzufügen. Wenn Sie nur lesen und den Inhalt des Kurses anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.
Wie erfolgen Rückerstattungen?
Ist finanzielle Unterstützung möglich?
Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..
Coursera arbeitet mit erstklassigen Universitäten und Organisationen zusammen, um Online-Kurse anzubieten und dadurch universellen Zugriff auf die weltweit beste Ausbildung zu ermöglichen.
© 2019 Coursera Inc. Alle Rechte vorbehalten.
